CN117745652A - 极柱缺陷检测方法和装置 - Google Patents

Abstract

本申请公开了一种极柱缺陷检测方法和装置，属于图像处理技术领域。所述极柱缺陷检测方法包括：对获取得到的待测极柱的极柱顶面图像进行图像分割处理，获取目标分割结果图；缺陷区域包括至少一个子缺陷区域；对塑胶区域和金属区域进行图像处理，获取第一图像；基于各子缺陷区域对缺陷区域进行分割处理，获取至少一个第二图像；分别对目标分割结果图、第一图像、至少一个第二图像以及极柱顶面图像进行类别判定，得到待测极柱对应的目标缺陷检测结果图。本申请的极柱缺陷检测方法，缺陷检测的精准度和准确度较高，能够满足极柱表面缺陷的高精度定位以及缺陷类别准确识别的要求，实现了锂电池极柱外观缺陷检测的降本增效。

Description

极柱缺陷检测方法和装置

技术领域

本申请属于图像处理技术领域，尤其涉及一种极柱缺陷检测方法和装置。

背景技术

随着新能源技术的快速发展，锂电池的市场竞争越来越大，厂商越来越注重对锂电池极柱的外观的缺陷检测。锂电池厂商常采用人工目检的方式对锂电池极柱的外观进行缺陷检测，该极柱缺陷检测方法的检测效率较低，需要耗费大量的人力成本，且容易因人为疏忽导致缺陷的漏检率及错检率较高。

发明内容

本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出一种极柱缺陷检测方法和装置，缺陷检测的精准度和准确度较高，能够满足极柱表面缺陷的高精度定位以及缺陷类别准确识别的要求，实现了锂电池极柱外观缺陷检测的降本增效。

第一方面，本申请提供了一种极柱缺陷检测方法，该方法包括：

对获取得到的待测极柱的极柱顶面图像进行图像分割处理，获取目标分割结果图，所述目标分割结果图包括所述待测极柱对应的背景区域、塑胶区域、金属区域和缺陷区域；所述缺陷区域包括至少一个子缺陷区域；

对所述塑胶区域和所述金属区域进行图像处理，获取第一图像，所述第一图像包括所述塑胶区域的边界和所述金属区域的边界；

基于各所述子缺陷区域对所述缺陷区域进行分割处理，获取至少一个第二图像，各所述第二图像包括至少一个完整的子缺陷区域；

分别对所述目标分割结果图、所述第一图像、所述至少一个第二图像以及所述极柱顶面图像进行类别判定，得到所述待测极柱对应的目标缺陷检测结果图，所述目标缺陷检测结果图包括所述子缺陷区域对应的缺陷类别。

根据本申请实施例提供的极柱缺陷检测方法，通过对极柱顶面图像进行图像分割处理，得到包括多个类别的目标分割结果图，各类别的区域的边界更为清晰，且缺陷分割边界的细粒度更高，然后对目标分割结果图进行边界提取等处理，获取包括塑胶区域边界和金属区域边界的第一图像，并对目标分割结果图中的缺陷区域进行分割和扩展等处理，够切出不失真的缺陷数据，得到保留更多缺陷信息的第二图像，进而对目标分割结果图、第一图像、至少一个第二图像以及极柱顶面图像进行类别判定，得到待测极柱的缺陷类别判定结果，缺陷检测的精准度和准确度较高，能够满足极柱表面缺陷的高精度定位以及缺陷类别准确识别的要求，实现了锂电池极柱外观缺陷检测的降本增效。

本申请一个实施例的极柱缺陷检测方法，所述基于各所述子缺陷区域对所述缺陷区域进行分割处理，获取至少一个第二图像，包括：

提取所述缺陷区域中不连续的子缺陷区域对应的外接矩，获取至少一个第一外接矩以及各所述子缺陷区域对应的区域轮廓坐标；

将所述至少一个第一外接矩中子缺陷区域的面积大于目标面积阈值的第一外接矩确定为目标外接矩；

对至少一个所述目标外接矩进行扩展处理，获取所述至少一个第二图像，所述至少一个第二图像与所述至少一个目标外接矩一一对应，且所述第二图像与所述目标外接矩之间建立有目标对应关系。

本申请一个实施例的极柱缺陷检测方法，所述分别对所述目标分割结果图、所述第一图像、所述至少一个第二图像以及所述极柱顶面图像进行类别判定，得到所述待测极柱对应的目标缺陷检测结果图，包括：

对所述极柱顶面图像进行扩展处理，获取目标顶面图像；

基于所述区域轮廓坐标以及所述目标对应关系，对所述目标分割结果图、所述目标顶面图像以及所述至少一个第二图像进行类别判定，获取所述待测极柱对应的第三图像，所述第三图像包括所述子缺陷区域对应的缺陷类别；

基于各所述缺陷类别对应的目标过滤条件，对所述第三图像所包括的至少一个子缺陷区域进行缺陷过滤及合并处理，获取所述目标缺陷检测结果图。

本申请一个实施例的极柱缺陷检测方法，所述基于各所述缺陷类别对应的目标过滤条件，对所述第三图像所包括的至少一个子缺陷区域进行缺陷过滤及合并处理，获取所述目标缺陷检测结果图，包括：

将所述第三图像输入至缺陷过滤及结果显示模块，获取所述缺陷过滤及结果显示模块输出的所述目标缺陷检测结果图；

其中，所述缺陷过滤及结果显示模块以样本第三图像为样本，以与所述样本第三图像对应的样本目标缺陷检测结果图为样本标签，训练得到。

本申请一个实施例的极柱缺陷检测方法，在所述基于各所述缺陷类别对应的目标过滤条件，对所述第三图像所包括的至少一个子缺陷区域进行缺陷过滤及合并处理，获取所述目标缺陷检测结果图之前，所述方法还包括：

获取多个候选过滤条件；

基于所述子缺陷区域的中心点与所述第一图像，获取各所述中心点与不同区域边界之间的位置关系，所述位置关系包括所述中心点与所述塑胶区域的边界之间的第一位置关系，以及各所述中心点与所述金属区域的边界之间的第二位置关系；

基于所述第一位置关系和所述第二位置关系，从所述候选过滤条件中筛选得到各所述缺陷类别中目标缺陷类别在不同位置关系下所对应的目标过滤条件。

本申请一个实施例的极柱缺陷检测方法，

所述多个候选过滤条件包括：所述子缺陷区域的面积大于所述目标面积阈值、所述子缺陷区域的骨架长度大于第一长度阈值、所述子缺陷区域的骨架宽度大于第二长度阈值、所述子缺陷区域对应的连通域数量大于目标数量阈值、所述待测极柱包括电解液以及所述待测极柱包括所述电解液对应的置信度大于目标概率阈值。

本申请一个实施例的极柱缺陷检测方法，在所述分别对所述目标分割结果图、所述第一图像、所述至少一个第二图像以及所述极柱顶面图像进行类别判定，得到所述待测极柱对应的目标缺陷检测结果图之后，所述还包括：

基于所述类别判定的结果，确定所述待测极柱对应的电解液包含信息，所述电解液包含信息包括：包含电解液或不包含电解液；

基于所述电解液包含信息，建立电解液标签；

将所述电解液标签显示于所述目标缺陷检测结果图。

第二方面，本申请提供了一种极柱缺陷检测装置，该装置包括：

第一处理模块，用于对获取得到的待测极柱的极柱顶面图像进行图像分割处理，获取目标分割结果图，目标分割结果图包括所述待测极柱对应的背景区域、塑胶区域、金属区域和缺陷区域；所述缺陷区域包括至少一个子缺陷区域；

第二处理模块，用于对所述塑胶区域和所述金属区域进行图像处理，获取第一图像，所述第一图像包括所述塑胶区域的边界和所述金属区域的边界；

第三处理模块，用于基于各所述子缺陷区域对所述缺陷区域进行分割处理，获取至少一个第二图像，各所述第二图像包括至少一个完整的子缺陷区域；

第四处理模块，用于分别对所述目标分割结果图、所述第一图像、所述至少一个第二图像以及所述极柱顶面图像进行类别判定，得到所述待测极柱对应的目标缺陷检测结果图，所述目标缺陷检测结果图包括所述子缺陷区域对应的缺陷类别。

根据本申请实施例提供的极柱缺陷检测装置，通过对极柱顶面图像进行图像分割处理，得到包括多个类别的目标分割结果图，各类别的区域的边界更为清晰，且缺陷分割边界的细粒度更高，然后对目标分割结果图进行边界提取等处理，获取包括塑胶区域边界和金属区域边界的第一图像，并对目标分割结果图中的缺陷区域进行分割和扩展等处理，够切出不失真的缺陷数据，得到保留更多缺陷信息的第二图像，进而对目标分割结果图、第一图像、至少一个第二图像以及极柱顶面图像进行类别判定，得到待测极柱的缺陷类别判定结果，缺陷检测的精准度和准确度较高，能够满足极柱表面缺陷的高精度定位以及缺陷类别准确识别的要求，实现了锂电池极柱外观缺陷检测的降本增效。

第三方面，本申请提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的极柱缺陷检测方法。

第四方面，本申请提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的极柱缺陷检测方法。

第五方面，本申请提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的极柱缺陷检测方法。

本申请实施例中的上述一个或多个技术方案，至少具有如下技术效果之一：

通过对极柱顶面图像进行图像分割处理，得到包括多个类别的目标分割结果图，各类别的区域的边界更为清晰，且缺陷分割边界的细粒度更高，然后对目标分割结果图进行边界提取等处理，获取包括塑胶区域边界和金属区域边界的第一图像，并对目标分割结果图中的缺陷区域进行分割和扩展等处理，够切出不失真的缺陷数据，得到保留更多缺陷信息的第二图像，进而对目标分割结果图、第一图像、至少一个第二图像以及极柱顶面图像进行类别判定，得到待测极柱的缺陷类别判定结果，缺陷检测的精准度和准确度较高，能够满足极柱表面缺陷的高精度定位以及缺陷类别准确识别的要求，实现了锂电池极柱外观缺陷检测的降本增效。

进一步地，通过剔除面积小于目标面积阈值的子缺陷区域，能够过滤掉面积极小的缺陷，能够提高产线良品率；通过对目标外接矩进行扩展处理，以获取至少一个第二图像，避免了因处理过大尺寸的图像带来的训练推理耗时，以及处理过小尺寸的图像导致的原图信息丢失严重的问题，进而提高了缺陷检测的效率以及缺陷检测结果的精确度与准确度。

再进一步地，根据各缺陷类别所处的不同位置关系，获取各缺陷类别对应的目标过滤条件，不同的缺陷类别对应不同的目标过滤条件，然后根据各缺陷类别对应的目标过滤条件对缺陷区域进行缺陷类别判定，能够更精准地检出各类缺陷，提高了最终检测结果的准确度和精确度。

本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本申请实施例提供的极柱缺陷检测方法的流程示意图；

图2是本申请实施例提供的极柱缺陷检测方法的原理示意图之一；

图3是本申请实施例提供的极柱缺陷检测方法的原理示意图之二；

图4是本申请实施例提供的极柱缺陷检测方法的原理示意图之三；

图5是本申请实施例提供的极柱缺陷检测方法的原理示意图之四；

图6是本申请实施例提供的极柱缺陷检测方法的原理示意图之五；

图7是本申请实施例提供的极柱缺陷检测方法的原理示意图之六；

图8是本申请实施例提供的极柱缺陷检测方法的原理示意图之七；

图9是本申请实施例提供的极柱缺陷检测方法的原理示意图之八；

图10是本申请实施例提供的极柱缺陷检测方法的原理示意图之九；

图11是本申请实施例提供的极柱缺陷检测方法的原理示意图之十；

图12是本申请实施例提供的极柱缺陷检测方法的原理示意图之十一；

图13是本申请实施例提供的极柱缺陷检测方法的原理示意图之十二；

图14是本申请实施例提供的极柱缺陷检测方法的原理示意图之十三；

图15是本申请实施例提供的极柱缺陷检测方法的原理示意图之十四；

图16是本申请实施例提供的极柱缺陷检测方法的原理示意图之十五；

图17是本申请实施例提供的极柱缺陷检测方法的原理示意图之十六；

图18是本申请实施例提供的极柱缺陷检测装置的结构示意图；

图19是本申请实施例提供的电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本申请保护的范围。

本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。

下面结合图1至图17描述本申请实施例的极柱缺陷检测方法。

需要说明的是，极柱缺陷检测方法的执行主体可以为服务器，或者可以为极柱缺陷检测装置，或者还可以为用户的终端，包括但不限于移动终端和非移动终端。

例如，移动终端包括但不限于手机、PDA智能终端、平板电脑以及车载智能终端等；非移动终端包括但不限于PC端等。

如图1所示，该极柱缺陷检测方法，包括：步骤110、步骤120、步骤130和步骤140。

步骤110、对获取得到的待测极柱的极柱顶面图像进行图像分割处理，获取目标分割结果图，目标分割结果图包括待测极柱对应的背景区域、塑胶区域、金属区域和缺陷区域；缺陷区域包括至少一个子缺陷区域。

在该步骤中，待测极柱可以为锂电池的极柱。

如图17所示，待测极柱包括锂电池的正极极柱和负极极柱。

在对待测极柱进行外观缺陷检测过程中，需要对待测极柱的顶面金属区及塑胶区进行外观检测。

如图2所示，极柱顶面图像可以为RGB图像。

极柱顶面图像为基于图像传感器获取得到的，其中，图像传感器可以为面阵相机。

可以基于感兴趣区域(regionofinterest，ROI)对极柱顶面图像进行无差别像素级分割处理。

在实际执行过程中，基于ROI进行裁剪的参数可以基于用户自定义。

目标分割结果图为对极柱顶面图像进行图像分割处理之后得到的。

如图2所示，目标分割结果图包括待测极柱对应的背景区域、塑胶区域、金属区域和缺陷区域。

其中，目标分割结果图中像素值为0的区域可以代表背景区域，像素值为1的区域可以代表塑胶区域，像素值为2的区域可以代表金属区域，像素值为3的区域可以代表缺陷区域。

缺陷区域可以包括至少一个子缺陷区域。

各子缺陷区域的形状可能为不规则形状。

步骤120、对塑胶区域和金属区域进行图像处理，获取第一图像，第一图像包括塑胶区域的边界和金属区域的边界。

在该步骤中，如图3所示，可以从目标分割结果图中提取像素值为1的区域，即塑胶区域，以获取塑胶区域的二值图。

在一些实施例中，可以基于轮廓提取算法过滤得到塑胶区域的边界。

塑胶区域的边界包括第一边界和第二边界，其中，第一边界的周长大于第二边界的周长。

第二边界即为金属区域的边界。

第一图像为对塑胶区域和金属区域进行图像处理之后得到的，第一图像中包括塑胶区域的边界和金属区域的边界。

步骤130、基于各子缺陷区域对缺陷区域进行分割处理，获取至少一个第二图像，各第二图像包括至少一个完整的子缺陷区域。

在该步骤中，基于各子缺陷区域对缺陷区域进行分割处理，可以提取出各子缺陷区域。

对提取出的各子缺陷区域进行处理，可以得到至少一个第二图像。

第二图像中包括至少一个完整的子缺陷区域。

在一些实施例中，步骤130可以包括：

提取缺陷区域中不连续的子缺陷区域对应的外接矩，获取至少一个第一外接矩以及各子缺陷区域对应的区域轮廓坐标；

将至少一个第一外接矩中子缺陷区域的面积大于目标面积阈值的第一外接矩确定为目标外接矩；

对至少一个目标外接矩进行扩展处理，获取至少一个第二图像，至少一个第二图像与至少一个目标外接矩一一对应，且第二图像与目标外接矩之间建立有目标对应关系。

在该实施例中，如图4所示，可以从目标分割结果图中提取出像素值为3的区域，即缺陷区域，以获取缺陷二值图。

提取缺陷二值图中不连续的子缺陷区域对应的外接矩，可以获取至少一个第一外接矩。

子缺陷区域对应的区域轮廓坐标为子缺陷的轮廓的坐标。

目标面积阈值用于过滤面积极小的子缺陷区域。

例如，目标面积阈值可以为3或4等，可以基于用户自定义，本申请不作限定。

目标外接矩所包括的子缺陷区域的面积大于目标面积阈值。

可以预设扩展规则，并基于扩展规则对至少一个目标外接矩进行扩展处理。

对目标外接矩进行扩展处理，可以获取第二图像。

至少一个第二图像与至少一个目标外接矩一一对应。

在获取至少一个第二图像之后，可以记录各目标外接矩与第二图像之间的目标对应关系。

在实际执行过程中，如图4所示，可以提取目标分割结果图中像素值为3的区域，以获取缺陷二值图；

然后提取缺陷二值图中不连续区域的外接矩，同时按照面积过滤掉面积小于3的子缺陷区域，并记录面积大于3的目标外接矩中子缺陷区域的区域轮廓坐标；

基于目标外接矩中心外扩切出目标区域，并将切出的缺陷图像尺寸扩展成512*512，以获取第二图像；

记录每个目标外接矩与第二图像之间的目标对应关系。

如图9所示，在一些实施例中，扩展规则如下：

在目标外接矩的长度和宽度中存在任意一个大于96的情况下，基于目标外接矩中心短边扩充至96，长边保持目标外接矩的原始尺寸进行切图；

在扩展时，将长边放大至512，基于原始缺陷长宽比扩大短边，不足512的短边两端用0填充。

在目标外接矩的长度和宽度均小于等于96的情况下，基于目标外接矩中心外扩切出边长为96的方形目标区；

在扩展时，将目标外接矩的长和宽均扩展成512。

在目标外接矩的长度和宽度均大于96的情况下，直接基于目标外接矩的尺寸进行切图；

在扩展时，将目标外接矩的长边扩展为512，将目标外接矩的短边等比例放大，不足512的短边两端用0填充。

根据本申请实施例提供的极柱缺陷检测方法，通过剔除面积小于目标面积阈值的子缺陷区域，能够过滤掉面积极小的缺陷，能够提高产线良品率；通过对目标外接矩进行扩展处理，以获取至少一个第二图像，避免了因处理过大尺寸的图像带来的训练推理耗时，以及处理过小尺寸的图像导致的原图信息丢失严重的问题，进而提高了缺陷检测的效率以及缺陷检测结果的精确度与准确度。

步骤140、分别对目标分割结果图、第一图像、至少一个第二图像以及极柱顶面图像进行类别判定，得到待测极柱对应的目标缺陷检测结果图，目标缺陷检测结果图包括子缺陷区域对应的缺陷类别。

在该步骤中，目标缺陷检测结果图为对待测极柱进行外观缺陷检测获得的结果图。

目标缺陷检测结果图包括子缺陷区域对应的缺陷类别。

其中，缺陷类别包括损伤、划痕、压痕、擦伤、针孔和脏污等。

各子缺陷区域对应的缺陷类别可以以外接锚框的形式显示于目标缺陷检测结果图。

如图6所示，目标缺陷检测结果图可以包括对极柱顶面图像进行缺陷检测之后得到的目标图像，以及缺陷显示结果图。

缺陷显示结果图可以包括：缺陷序号、缺陷类型、各缺陷类型对应的骨架长度、各缺陷类型对应的骨架宽度以及各缺陷类型对应的面积等。

例如，如图6所示，目标缺陷检测结果图包括4处明显缺陷，其中，缺陷序号1对应的缺陷类型为损伤，该子缺陷区域对应的骨架长度为163，骨架宽度为78，面积为641；

缺陷序号2对应的缺陷类型为划痕，该子缺陷区域对应的骨架长度为275，骨架宽度为23，面积为87；

缺陷序号3对应的缺陷类型为损伤，该子缺陷区域对应的骨架长度为37，骨架宽度为25，面积为63；

缺陷序号4对应的缺陷类型为脏污，该子缺陷区域对应的骨架长度为268，骨架宽度为74，面积为213。

在实际执行过程中，可以首先对采集得到的极柱顶面图像进行图像分割处理，可以基于语义分割模型进行无差别像素级分割，得到目标分割结果图；

然后基于轮廓提取算法，对目标分割结果图中的塑胶区域和金属区域进行处理，获取包括塑胶区域的边界和金属区域的边界的第一图像；

并基于子缺陷区域对目标分割结果图中的缺陷区域进行分割处理，获取至少一个第二图像；

再对目标分割结果图、第一图像、至少一个第二图像以及极柱顶面图像进行类别判定，可以得到目标缺陷检测结果图。

发明人在研发过程中发现，相关技术中存在基于人工目检对锂电池极柱的外观进行缺陷检测的方法，该极柱缺陷检测方法的检测效率较低，需要耗费大量的人力成本，且容易因人为疏忽导致缺陷的漏检率及错检率较高。

在本申请中，对极柱顶面图像进行图像分割处理，得到包括多个类别的目标分割结果图，各类别的区域的边界更为清晰，且缺陷分割边界的细粒度更高。

对目标分割结果图进行边界提取等处理，获取包括塑胶区域边界和金属区域边界的第一图像，能够较准确地提取塑胶区边界，便于后续基于塑胶区域边界和金属区域边界分别对缺陷进行检测，最终检测的准确度较高。

通过预设的扩展规则对目标分割结果图中的缺陷区域进行分割和扩展等处理，能够切出不失真的缺陷数据，得到保留更多缺陷信息的第二图像。

根据本申请实施例提供的极柱缺陷检测方法，通过对极柱顶面图像进行图像分割处理，得到包括多个类别的目标分割结果图，各类别的区域的边界更为清晰，且缺陷分割边界的细粒度更高，然后对目标分割结果图进行边界提取等处理，获取包括塑胶区域边界和金属区域边界的第一图像，并对目标分割结果图中的缺陷区域进行分割和扩展等处理，够切出不失真的缺陷数据，得到保留更多缺陷信息的第二图像，进而对目标分割结果图、第一图像、至少一个第二图像以及极柱顶面图像进行类别判定，得到待测极柱的缺陷类别判定结果，缺陷检测的精准度和准确度较高，能够满足极柱表面缺陷的高精度定位以及缺陷类别准确识别的要求，实现了锂电池极柱外观缺陷检测的降本增效。

如图5和图5所示，在一些实施例中，在步骤140之后，极柱缺陷检测方法还可以包括：

基于类别判定的结果，确定待测极柱对应的电解液包含信息，电解液包含信息包括：包含电解液或不包含电解液；

基于电解液包含信息，建立电解液标签；

将电解液标签显示于目标缺陷检测结果图。

在该实施例中，在得到待测极柱的缺陷类别判定结果之后，可以基于类别判定的结果，确定待测极柱对应的电解液包含信息，以确定待测极柱是否包括电解液。

电解液包含信息可以包括：包含电解液或不包含电解液。

电解液标签可以为有电解液，或者可以为无电解液。

在建立电解液标签之后，可以将电解液标签显示于目标缺陷检测结果图。

如图5和图6所示，在一些实施例中，步骤140可以包括：

对极柱顶面图像进行扩展处理，获取目标顶面图像；

基于区域轮廓坐标以及目标对应关系，对目标分割结果图、目标顶面图像以及至少一个第二图像进行类别判定，获取待测极柱对应的第三图像，第三图像包括子缺陷区域对应的缺陷类别；

基于各缺陷类别对应的目标过滤条件，对第三图像所包括的至少一个子缺陷区域进行缺陷过滤及合并处理，获取目标缺陷检测结果图。

在该实施例中，目标顶面图像为对极柱顶面图像进行resize处理之后得到的。

可以将极柱顶面图像的尺寸扩展成512*512，以获取目标顶面图像。

第三图像包括目标分割结果图中对应的子缺陷区域的缺陷类别。

在一些实施例中，第三图像还可以包括待测极柱对应的有电解液类别标签或无电解液类别标签。

每个缺陷类别均对应有目标过滤条件。

目标过滤条件可以预先设定，同一个缺陷类别处于不同的区域的情况下，缺陷类别对应的过滤条件可能也不同，例如，损伤类型处于塑胶区域与损伤类型处于金属区域时，对应的过滤条件可能不同。

例如，在金属区域允许出现的划痕的最小宽度小于塑胶区域允许出现的划痕的最小宽度。

在获取第三图像中各子缺陷区域对应的缺陷类别之后，可以基于各缺陷类别的目标过滤条件，对至少一个子缺陷区域进行缺陷过滤，并将过滤后的多类别分割结果进行缺陷合并，以获取目标缺陷检测结果图。

在实际执行过程中，可以对极柱顶面图像进行resize处理，获取目标顶面图像；

然后基于第二图像与目标外接矩之间的目标对应关系以及区域轮廓坐标，赋予目标分割结果图中对应的各子缺陷区域对应的缺陷类别，获取第三图像；

再基于塑胶区域的边界，将第三图像中的至少一个子缺陷区域按金属区域和塑胶区域分开处理，并计算各子缺陷区域的长度、宽度和面积；

基于各缺陷类别对应的目标过滤条件，对第三图像中至少一个子缺陷区域进行缺陷过滤，将过滤后的多类别分割结果进行缺陷合并，并以外接锚框的形式显示各子缺陷区域对应的缺陷类别，获取目标缺陷检测结果图。

在一些实施例中，在基于各缺陷类别对应的目标过滤条件，对第三图像所包括的至少一个子缺陷区域进行缺陷过滤及合并处理，获取目标缺陷检测结果图之前，极柱缺陷检测方法还可以包括：

获取多个候选过滤条件；

基于子缺陷区域的中心点与第一图像，获取各中心点与不同区域边界之间的位置关系，位置关系包括中心点与塑胶区域的边界之间的第一位置关系，以及各中心点与金属区域的边界之间的第二位置关系；

基于第一位置关系和第二位置关系，从候选过滤条件中筛选得到各缺陷类别中目标缺陷类别在不同位置关系下所对应的目标过滤条件。

在该实施例中，多个候选过滤条件可以基于实际的缺陷检测场景进行用户自定义。

在一些实施例中，多个候选过滤条件可以包括子缺陷区域的面积大于目标面积阈值、子缺陷区域的骨架长度大于第一长度阈值、子缺陷区域的骨架宽度大于第二长度阈值、子缺陷区域对应的连通域数量大于目标数量阈值、待测极柱包括电解液以及待测极柱包括电解液对应的置信度大于目标概率阈值。

在该实施例中，设定目标面积阈值，可以基于目标面积阈值滤除面积不大于目标面积阈值的子缺陷区域。

例如，目标面积阈值可以55，或者可以为60，可以基于用户自定义，本申请不作限定。

设定第一长度阈值，可以基于第一长度阈值滤除骨架长度不大于第一长度阈值的子缺陷区域。

例如，第一长度阈值可以为30，或者可以为35，可以基于用户自定义，本申请不作限定。

设定第二长度阈值，可以基于第二长度阈值滤除骨架宽度不大于第二长度阈值的子缺陷区域。

例如，第二长度阈值可以为15，或者可以为20，可以基于用户自定义，本申请不作限定。

加入连通域个数过滤条件，可以基于统计的针孔缺陷总个数判断该子缺陷区域是否作为缺陷检出。

如图11所示，针孔类的缺陷形态为极柱金属面上阵列分布的点状缺陷，在子缺陷区域中针孔个数出现较多的情况下，将该子缺陷区域记作针孔缺陷。

设定目标数量阈值，可以基于目标数量阈值滤除连通域数量不大于目标数量阈值的子缺陷区域。

例如，目标数量阈值可以为8，或者可以为9，可以基于用户自定义，本申请不作限定。

如图12所示，在子缺陷区域对应的连通域数量大于目标数量阈值的情况下，可以过滤得到针孔缺陷。

在锂电池的实际生产过程中，可以基于极柱表面的电解液的严重程度，实时调整产线良品率。

通过调整极柱有/无电解液类的类别概率(置信度)，可以把控最终检测得到的电解液类缺陷的严重程度。

在应用过程中，目标概率阈值可以基于用户自定义，本申请不作限定。

在训练缺陷过滤及结果显示模块过程中，可以最严格的电解液检出规则最终分类训练数据，以对标产线实际情况，进而实现电解液的检出程度控制。

根据本申请实施例提供的极柱缺陷检测方法，根据各缺陷类别所处的不同位置关系，获取各缺陷类别对应的目标过滤条件，不同的缺陷类别对应不同的目标过滤条件，然后根据各缺陷类别对应的目标过滤条件对缺陷区域进行缺陷类别判定，能够更精准地检出各类缺陷，提高了最终检测结果的准确度和精确度。

在一些实施例中，基于各缺陷类别对应的目标过滤条件，对第三图像所包括的至少一个子缺陷区域进行缺陷过滤及合并处理，获取目标缺陷检测结果图，可以包括：

将第三图像输入至缺陷过滤及结果显示模块，获取缺陷过滤及结果显示模块输出的目标缺陷检测结果图；

其中，缺陷过滤及结果显示模块以样本第三图像为样本，以与样本第三图像对应的样本目标缺陷检测结果图为样本标签，训练得到。

在该实施例中，缺陷过滤及结果显示模块可以为神经网络模型。

缺陷过滤及结果显示模块为预先训练的，缺陷过滤及结果显示模块可以基于深度学习训练得到。

将第三图像输入至缺陷过滤及结果显示模块，可以直接获取缺陷过滤及结果显示模块输出的目标缺陷检测结果图。

可以将样本第三图像以及与样本第三图像对应的样本目标缺陷检测结果图作为训练集，对缺陷过滤及结果显示模块进行训练。

在训练过程中，可以将样本第三图像作为样本，将与样本第三图像对应的样本目标缺陷检测结果图作为样本标签，对缺陷过滤及结果显示模块进行训练。

缺陷过滤及结果显示模块的训练过程将在后文实施例中进行具体说明，在此暂不作赘述。

在一些实施例中，可以基于目标神经网络模型执行上述极柱缺陷检测方法。

如图16所示，目标神经网络模型可以包括4类别分割定位模块、极柱塑胶和金属区分模块、分类数据获取模块、缺陷类别赋予模块和缺陷过滤及结果显示模块。

4类别分割定位模块的输出端分别与极柱塑胶和金属区分模块的输入端、分类数据获取模块的输入端以及缺陷类别赋予模块的输入端连接。

极柱塑胶和金属区分模块的输出端与缺陷过滤及结果显示模块的输入端连接。

分类数据获取模块的输出端分别与缺陷类别赋予模块的输入端以及缺陷过滤及结果显示模块的输入端连接。

缺陷类别赋予模块的输出端与缺陷过滤及结果显示模块的输入端连接。

下面参考图15，结合目标神经网络模型对本申请的执行逻辑进行具体说明。

在实际执行过程中，可以将面阵相机采集得到的待测极柱的极柱顶面图像输入至4类别分割定位模块，获取4类别分割定位模块输出的目标分割结果图，其中，目标分割结果图包括待测极柱对应的背景区域、塑胶区域、金属区域和缺陷区域。

将目标分割结果图输入至极柱塑胶和金属区分模块，获取极柱塑胶和金属区分模块输出的第一图像，其中，第一图像包括塑胶区的边界和金属区的边界。

将目标分割结果图输入至分类数据获取模块，获取分类数据获取模块输出的至少一个第二图像。

将至少一个第二图像以及扩展之后的极柱顶面图像输入至缺陷类别赋予模块，获取缺陷类别赋予模块输出的第三图像，并将有电解液/无电解液标签显示于第三图像。

将第三图像和第一图像输入至缺陷过滤及结果显示模块，获取缺陷过滤及结果显示模块输出的目标缺陷检测结果图。

下面对目标神经网络模型的设计及训练过程作具体说明。

如图7和图8所示，在设计4类别分割定位模块时，可以在下采样16倍和32倍得到的局部特征之后加上Transformer Block，并使用新的局部特征和全局特征融合方式，每层降采样得到的局部特征不仅作为高层全局特征的局部权重，也将直接以特征的形式参与上一层特征的融合。

同时，浅层特征也加了一层与高层同样的Transformer Block，可以减少浅层特征与经过注意力模块的全局特征间的维度差。

在训练4类别分割定位模块时，可以样本极柱顶面图像为样本，以与样本极柱顶面图像对应的样本目标分割结果图为样本标签，对4类别分割定位模块进行训练。

在本申请中，基于4类别分割定位模块对极柱顶面图像进行处理，得到的缺陷分割边界的细粒度更高，且模型推理效率也较高。

如图13所示，为基于常规的轻量化语义分割模型topformer-tiny对极柱顶面图像进行处理，得到的检出结果；如图14所示，为基于本申请的4类别分割定位模块对极柱顶面图像进行处理，得到的检出结果，本申请的4类别分割定位模块在极柱数据集上取得了更加连续饱满的区域，且对于低对比度的缺陷也有较好的检出效果。

在设计极柱塑胶和金属区分模块时，极柱塑胶区边界提取算法如下：

输入：极柱塑胶区二值图(img_data)

结束

在训练极柱塑胶和金属区分模块时，可以样本目标分割结果图为样本，以与样本目标分割结果图对应的样本第一图像为样本标签，对极柱塑胶和金属区分模块进行训练。

在本申请中，将深度学习语义分割结果与边界提取算法相结合，可以同时解决缺陷定位问题与塑胶区域边界定位问题，区分塑胶区域和金属区域的效率和准确度更高；除此之外，在基于边界提取算法进行边界提取时，输入的是分割得到的二值图，适用场景更广泛。

在设计分类数据获取模块时，可以基于如下扩展规则对目标分割结果图进行处理：

在目标分割结果图对应的目标外接矩的长度和宽度中存在任意一个大于96的情况下，基于目标外接矩中心短边扩充至96，长边保持目标外接矩的原始尺寸进行切图；

在扩展时，将长边放大至512，基于原始缺陷长宽比扩大短边，不足512的短边两端用0填充。

在目标外接矩的长度和宽度均小于等于96的情况下，基于目标外接矩中心外扩切出边长为96的方形目标区；

在扩展时，将目标外接矩的长和宽均扩展成512。

在目标外接矩的长度和宽度均大于96的情况下，直接基于目标外接矩的尺寸进行切图；

在扩展时，将目标外接矩的长边扩展为512，将目标外接矩的短边等比例放大，不足512的短边两端用0填充。

基于该扩展规则，在执行过程中可以在不改变原图长宽比例的基础上进行扩展，以切出不失真的缺陷数据，保留较多的缺陷信息。

在训练分类数据获取模块过程中，可以样本目标分割结果图为样本，以与样本目标分割结果图对应的样本第二图像为样本标签，对分类数据获取模块进行训练。

还可以将样本极柱顶面图像加入训练集对分类数据获取模块进行训练，从而能够在应用过程中检测出极柱表面无明显像素边界的电解液缺陷。

如图10为最小外接矩与外接矩的示意图，在设计缺陷类别赋予模块时，可以基于最小外接矩对8类别极柱分割标注数据(背景区域、极柱塑胶区域、极柱金属区域、划痕缺陷、损伤缺陷、擦伤缺陷、压痕缺陷、针孔缺陷以及脏污缺陷)中的缺陷类别进行处理，以切出原图和标签中对应的区域，并将标签中对应子缺陷区域面积最大的子缺陷对应的类别作为当前缺陷图像的缺陷类别。

在子缺陷区域面积相同的情况下，可以基于缺陷严重等级选取严重等级更高的缺陷类别作为当前缺陷图像的缺陷类别，其中，缺陷严重等级定义如下：损伤缺陷＞划痕缺陷＞压痕缺陷＞擦伤缺陷＞针孔缺陷＞脏污缺陷。

在本申请中，基于最小外接矩进行缺陷类别赋予，可以在缺陷密集分布的情况下，减少距离近的其他缺陷的干扰，能够尽可能让图像正中心的缺陷类别代表该图像的缺陷类别；除此之外，重复利用分割的多类别标注文件，在扩展切图之后添加一层自动获取切出缺陷类别的算法，可以实现极柱多类别分割标签到分类训练数据集的一步转换，缺陷类别赋予模块的准确性较高。

在训练缺陷类别赋予模块时，可以样本顶面图像(即扩展后的样本极柱顶面图像)为样本，以与样本顶面图像对应的样本第三图像为样本标签，对缺陷类别赋予模块进行训练。

另外，可以基于人工判断极柱表面电解液缺陷，以获取极柱表面有电解液和极柱表面无电解液两类数据，并将该数据作为训练集对缺陷类别赋予模块进行训练。

在训练缺陷过滤及结果显示模块时，可以样本第三图像和样本第一图像为样本，以与样本第三图像和样本第一图像对应的样本缺陷检测结果图为样本标签，对缺陷过滤及结果显示模块进行训练。

本申请的缺陷过滤及结果显示模块可以检出各种程度的电解液，并能够通过调节分类模型输出的极柱有/无电解液类的类别概率(置信度)，以把控输出的电解液类缺陷的严重程度。

在实际执行过程中，本申请使用260块锂电池进行缺陷检测测试，测试所用的锂电池均来自实际产线，其中，128块为报废电池，其余132块为无明显外观缺陷的电池，如表1，示出了各类别缺陷的检出情况：

表1

其中，极柱边缘微小损伤和浅划痕均不影响极柱的正常使用，属于产线可放过缺陷，基于表1可知，本申请的极柱缺陷检测能力符合产线正常使用的标准。

下面对本申请提供的极柱缺陷检测装置进行描述，下文描述的极柱缺陷检测装置与上文描述的极柱缺陷检测方法可相互对应参照。

本申请实施例提供的极柱缺陷检测方法，执行主体可以为极柱缺陷检测装置。本申请实施例中以极柱缺陷检测装置执行极柱缺陷检测方法为例，说明本申请实施例提供的极柱缺陷检测装置。

本申请实施例还提供一种极柱缺陷检测装置。

如图18所示，该极柱缺陷检测装置，包括：第一处理模块1810、第二处理模块1820、第三处理模块1830和第四处理模块1840。

第一处理模块1810，用于对获取得到的待测极柱的极柱顶面图像进行图像分割处理，获取目标分割结果图，目标分割结果图包括待测极柱对应的背景区域、塑胶区域、金属区域和缺陷区域；缺陷区域包括至少一个子缺陷区域；

第二处理模块1820，用于对塑胶区域和金属区域进行图像处理，获取第一图像，第一图像包括塑胶区域的边界和金属区域的边界；

第三处理模块1830，用于基于各子缺陷区域对缺陷区域进行分割处理，获取至少一个第二图像，各第二图像包括完整的子缺陷区域；

第四处理模块1840，用于分别对目标分割结果图、第一图像、至少一个第二图像以及极柱顶面图像进行类别判定，得到待测极柱对应的目标缺陷检测结果图，目标缺陷检测结果图包括子缺陷区域对应的缺陷类别。

根据本申请实施例提供的极柱缺陷检测装置，通过对极柱顶面图像进行图像分割处理，得到包括多个类别的目标分割结果图，各类别的区域的边界更为清晰，且缺陷分割边界的细粒度更高，然后对目标分割结果图进行边界提取等处理，获取包括塑胶区域边界和金属区域边界的第一图像，并对目标分割结果图中的缺陷区域进行分割和扩展等处理，够切出不失真的缺陷数据，得到保留更多缺陷信息的第二图像，进而对目标分割结果图、第一图像、至少一个第二图像以及极柱顶面图像进行类别判定，得到待测极柱的缺陷类别判定结果，缺陷检测的精准度和准确度较高，能够满足极柱表面缺陷的高精度定位以及缺陷类别准确识别的要求，实现了锂电池极柱外观缺陷检测的降本增效。

在一些实施例中，第三处理模块1830还可以用于：

提取缺陷区域中不连续的子缺陷区域对应的外接矩，获取至少一个第一外接矩以及各子缺陷区域对应的区域轮廓坐标；

将至少一个第一外接矩中子缺陷区域的面积大于目标面积阈值的第一外接矩确定为目标外接矩；

对至少一个目标外接矩进行扩展处理，获取至少一个第二图像，至少一个第二图像与至少一个目标外接矩一一对应，且第二图像与目标外接矩之间建立有目标对应关系。

在一些实施例中，第四处理模块1840还可以用于：

对极柱顶面图像进行扩展处理，获取目标顶面图像；

基于区域轮廓坐标以及目标对应关系，对目标分割结果图、目标顶面图像以及至少一个第二图像进行类别判定，获取待测极柱对应的第三图像，第三图像包括子缺陷区域对应的缺陷类别；

基于各缺陷类别对应的目标过滤条件，对第三图像所包括的至少一个子缺陷区域进行缺陷过滤及合并处理，获取目标缺陷检测结果图。

在一些实施例中，第四处理模块1840还可以用于：

将第三图像输入至缺陷过滤及结果显示模块，获取缺陷过滤及结果显示模块输出的目标缺陷检测结果图；

其中，缺陷过滤及结果显示模块以样本第三图像为样本，以与样本第三图像对应的样本目标缺陷检测结果图为样本标签，训练得到。

在一些实施例中，该极柱缺陷检测装置还可以包括第五处理模块，用于在基于各缺陷类别对应的目标过滤条件，对第三图像所包括的至少一个子缺陷区域进行缺陷过滤及合并处理，获取目标缺陷检测结果图之前，获取多个候选过滤条件；

基于子缺陷区域的中心点与第一图像，获取各中心点与不同区域边界之间的位置关系，位置关系包括中心点与塑胶区域的边界之间的第一位置关系，以及各中心点与金属区域的边界之间的第二位置关系；

基于第一位置关系和第二位置关系，从候选过滤条件中筛选得到各缺陷类别中目标缺陷类别在不同位置关系下所对应的目标过滤条件。

在一些实施例中，该极柱缺陷检测装置还可以包括第六处理模块，用于设置多个候选过滤条件包括：子缺陷区域的面积大于目标面积阈值、子缺陷区域的骨架长度大于第一长度阈值、子缺陷区域的骨架宽度大于第二长度阈值、子缺陷区域对应的连通域数量大于目标数量阈值、待测极柱包括电解液以及待测极柱包括电解液对应的置信度大于目标概率阈值。

在一些实施例中，该极柱缺陷检测装置还可以包括第七处理模块，用于在分别对目标分割结果图、第一图像、至少一个第二图像以及极柱顶面图像进行类别判定，得到待测极柱对应的目标缺陷检测结果图之后，基于类别判定的结果，确定待测极柱对应的电解液包含信息，电解液包含信息包括：包含电解液或不包含电解液；

基于电解液包含信息，建立电解液标签；

将电解液标签显示于目标缺陷检测结果图。

本申请实施例中的极柱缺陷检测装置可以是电子设备，也可以是电子设备中的部件，例如集成电路或芯片。该电子设备可以是终端，也可以为除终端之外的其他设备。示例性的，电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、移动上网装置(Mobile Internet Device，MID)、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、机器人、可穿戴设备、超级移动个人计算机(ultra-mobilepersonal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，还可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本申请实施例不作具体限定。

本申请实施例中的极柱缺陷检测装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统，可以为IOS操作系统，还可以为其他可能的操作系统，本申请实施例不作具体限定。

本申请实施例提供的极柱缺陷检测装置能够实现图1至图17的方法实施例实现的各个过程，为避免重复，这里不再赘述。

在一些实施例中，如图19所示，本申请实施例还提供一种电子设备1900，包括处理器1901、存储器1902及存储在存储器1902上并可在处理器1901上运行的计算机程序，该程序被处理器1901执行时实现上述极柱缺陷检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

需要说明的是，本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。

另一方面，本申请还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述极柱缺陷检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

又一方面，本申请还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述极柱缺陷检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

又一方面，本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述极柱缺陷检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种极柱缺陷检测方法，其特征在于，包括：

对获取得到的待测极柱的极柱顶面图像进行图像分割处理，获取目标分割结果图，所述目标分割结果图包括所述待测极柱对应的背景区域、塑胶区域、金属区域和缺陷区域；所述缺陷区域包括至少一个子缺陷区域；

对所述塑胶区域和所述金属区域进行图像处理，获取第一图像，所述第一图像包括所述塑胶区域的边界和所述金属区域的边界；

基于各所述子缺陷区域对所述缺陷区域进行分割处理，获取至少一个第二图像，各所述第二图像包括至少一个完整的子缺陷区域；

分别对所述目标分割结果图、所述第一图像、所述至少一个第二图像以及所述极柱顶面图像进行类别判定，得到所述待测极柱对应的目标缺陷检测结果图，所述目标缺陷检测结果图包括所述子缺陷区域对应的缺陷类别。

2.根据权利要求1所述的极柱缺陷检测方法，其特征在于，所述基于各所述子缺陷区域对所述缺陷区域进行分割处理，获取至少一个第二图像，包括：

提取所述缺陷区域中不连续的子缺陷区域对应的外接矩，获取至少一个第一外接矩以及各所述子缺陷区域对应的区域轮廓坐标；

将所述至少一个第一外接矩中子缺陷区域的面积大于目标面积阈值的第一外接矩确定为目标外接矩；

对至少一个所述目标外接矩进行扩展处理，获取所述至少一个第二图像，所述至少一个第二图像与所述至少一个目标外接矩一一对应，且所述第二图像与所述目标外接矩之间建立有目标对应关系。

3.根据权利要求2所述的极柱缺陷检测方法，其特征在于，所述分别对所述目标分割结果图、所述第一图像、所述至少一个第二图像以及所述极柱顶面图像进行类别判定，得到所述待测极柱对应的目标缺陷检测结果图，包括：

对所述极柱顶面图像进行扩展处理，获取目标顶面图像；

基于所述区域轮廓坐标以及所述目标对应关系，对所述目标分割结果图、所述目标顶面图像以及所述至少一个第二图像进行类别判定，获取所述待测极柱对应的第三图像，所述第三图像包括所述子缺陷区域对应的缺陷类别；

基于各所述缺陷类别对应的目标过滤条件，对所述第三图像所包括的至少一个子缺陷区域进行缺陷过滤及合并处理，获取所述目标缺陷检测结果图。

4.根据权利要求3所述的极柱缺陷检测方法，其特征在于，所述基于各所述缺陷类别对应的目标过滤条件，对所述第三图像所包括的至少一个子缺陷区域进行缺陷过滤及合并处理，获取所述目标缺陷检测结果图，包括：

将所述第三图像输入至缺陷过滤及结果显示模块，获取所述缺陷过滤及结果显示模块输出的所述目标缺陷检测结果图；

其中，所述缺陷过滤及结果显示模块以样本第三图像为样本，以与所述样本第三图像对应的样本目标缺陷检测结果图为样本标签，训练得到。

5.根据权利要求3所述的极柱缺陷检测方法，其特征在于，在所述基于各所述缺陷类别对应的目标过滤条件，对所述第三图像所包括的至少一个子缺陷区域进行缺陷过滤及合并处理，获取所述目标缺陷检测结果图之前，所述方法还包括：

获取多个候选过滤条件；

基于所述子缺陷区域的中心点与所述第一图像，获取各所述中心点与不同区域边界之间的位置关系，所述位置关系包括所述中心点与所述塑胶区域的边界之间的第一位置关系，以及各所述中心点与所述金属区域的边界之间的第二位置关系；

基于所述第一位置关系和所述第二位置关系，从所述候选过滤条件中筛选得到各所述缺陷类别中目标缺陷类别在不同位置关系下所对应的目标过滤条件。

6.根据权利要求5所述的极柱缺陷检测方法，其特征在于，所述多个候选过滤条件包括：所述子缺陷区域的面积大于所述目标面积阈值、所述子缺陷区域的骨架长度大于第一长度阈值、所述子缺陷区域的骨架宽度大于第二长度阈值、所述子缺陷区域对应的连通域数量大于目标数量阈值、所述待测极柱包括电解液以及所述待测极柱包括所述电解液对应的置信度大于目标概率阈值。

7.根据权利要求1-6任一项所述的极柱缺陷检测方法，其特征在于，在所述分别对所述目标分割结果图、所述第一图像、所述至少一个第二图像以及所述极柱顶面图像进行类别判定，得到所述待测极柱对应的目标缺陷检测结果图之后，所述方法还包括：

基于所述类别判定的结果，确定所述待测极柱对应的电解液包含信息，所述电解液包含信息包括：包含电解液或不包含电解液；

基于所述电解液包含信息，建立电解液标签；

将所述电解液标签显示于所述目标缺陷检测结果图。

8.一种极柱缺陷检测装置，其特征在于，包括：

第一处理模块，用于对获取得到的待测极柱的极柱顶面图像进行图像分割处理，获取目标分割结果图，所述目标分割结果图包括所述待测极柱对应的背景区域、塑胶区域、金属区域和缺陷区域；所述缺陷区域包括至少一个子缺陷区域；

第二处理模块，用于对所述塑胶区域和所述金属区域进行图像处理，获取第一图像，所述第一图像包括所述塑胶区域的边界和所述金属区域的边界；

第三处理模块，用于基于各所述子缺陷区域对所述缺陷区域进行分割处理，获取至少一个第二图像，各所述第二图像包括至少一个完整的子缺陷区域；

第四处理模块，用于分别对所述目标分割结果图、所述第一图像、所述至少一个第二图像以及所述极柱顶面图像进行类别判定，得到所述待测极柱对应的目标缺陷检测结果图，所述目标缺陷检测结果图包括所述子缺陷区域对应的缺陷类别。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的极柱缺陷检测方法。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7任一项所述的极柱缺陷检测方法。